Neurovidenskab og kunstig intelligens kan hjælpe med at forbedre hinanden

På trods af deres navne, kunstig intelligens-teknologier og deres komponentsystemer, såsom kunstige neurale netværk, har ikke meget med ægte hjernevidenskab at gøre. Jeg er professor i bioteknik og neurovidenskab, der er interesseret i at forstå, hvordan hjernen fungerer som et system – og hvordan vi kan bruge den viden til at designe og konstruere nye maskinlæringsmodeller.

I de seneste årtier har hjerneforskere har lært enormt meget om de fysiske forbindelser i hjernen og om, hvordan nervesystemet dirigerer information og behandler den. Men der er stadig meget, der mangler at blive opdaget.

På samme tid, computeralgoritmer, software- og hardwarefremskridt har bragt maskinlæring til hidtil uanede præstationsniveauer. Jeg og andre forskere på området, herunder en række af dets ledere, har en voksende følelse af, at det at finde ud af mere om, hvordan hjernen behandler information, kan hjælpe programmører med at oversætte begreberne om tænkning fra biologiens våde og squishy verden til helt nye former for maskinlæring i den digitale verden.

Hjernen er ikke en maskine

"Machine learning" er en del af teknologier, der ofte kaldes "kunstig intelligens." Maskinlæringssystemer er bedre end mennesker til at finde komplekse og subtile mønstre i meget store datasæt.

Disse systemer ser ud til at være overalt - i selvkørende biler, ansigtsgenkendelsessoftware, opdagelse af økonomisk bedrageri, robotteknologi, hjælpe med medicinske diagnoser og andre steder. Men under hætten, de er alle egentlig bare variationer af en enkelt statistisk-baseret algoritme.

Kunstige neurale netværk, den mest almindelige mainstream tilgang til maskinlæring, er stærkt indbyrdes forbundne netværk af digitale processorer, der accepterer input, behandle målinger om disse input og generere output. De skal lære, hvilke output der skal være resultatet af forskellige input, indtil de udvikler evnen til at reagere på lignende mønstre på lignende måder.

Hvis du ønsker, at et maskinlæringssystem skal vise teksten "Dette er en ko", når det vises et foto af en ko, du bliver først nødt til at give den et enormt antal forskellige billeder af forskellige typer køer fra alle forskellige vinkler, så den kan justere sine interne forbindelser for at svare "Dette er en ko" til hver enkelt. Hvis du viser dette system et billede af en kat, den vil kun vide, at den ikke er en ko – og vil ikke være i stand til at sige, hvad den faktisk er.

Men det er ikke sådan, hjernen lærer, heller ikke hvordan den håndterer information for at give mening i verden. Hellere, hjernen tager en meget lille mængde inputdata ind - som et fotografi af en ko og en tegning af en ko. Meget hurtigt, og efter kun et meget lille antal eksempler, selv et lille barn vil forstå ideen om, hvordan en ko ser ud og være i stand til at identificere en på nye billeder, fra forskellige vinkler og i forskellige farver.

Men en maskine er ikke en hjerne, enten

Fordi hjerne- og maskinlæringssystemerne bruger fundamentalt forskellige algoritmer, hver udmærker sig på måder, hvorpå den anden fejler dybt. For eksempel, hjernen kan behandle information effektivt, selv når der er støj og usikkerhed i inputtet – eller under uforudsigeligt skiftende forhold.

Du kunne se på et kornet foto på revet og krøllet papir, skildrer en type ko, du aldrig havde set før, og tænker stadig "det er en ko." Tilsvarende du ser rutinemæssigt på delvis information om en situation og foretager forudsigelser og beslutninger baseret på det, du ved, på trods af alt det du ikke gør.

Lige så vigtig er hjernens evne til at komme sig over fysiske problemer, rekonfigurere dens forbindelser til at tilpasse sig efter en skade eller et slagtilfælde. Hjernen er så imponerende, at patienter med alvorlige medicinske tilstande kan få fjernet så meget som halvdelen af ​​deres hjerne og genoprette normal kognitiv og fysisk funktion. Forestil dig nu, hvor godt en computer ville fungere med halvdelen af ​​sine kredsløb fjernet.

Lige så imponerende er hjernens evne til at foretage slutninger og ekstrapoleringer, nøglerne til kreativitet og fantasi. Overvej ideen om en ko, der vender burgere på Jupiter, som samtidig løser kvantetyngdeproblemer i hovedet. Ingen af ​​os har nogen erfaring med noget lignende men jeg kan finde på det og effektivt kommunikere det til dig, takket være vores hjerner.

Måske mest forbløffende, selvom, hjernen gør alt dette med nogenlunde den samme mængde strøm, det tager at køre en svag pære.

Kombinerer neurovidenskab og maskinlæring

Ud over at opdage, hvordan hjernen fungerer, det er slet ikke klart, hvilke hjerneprocesser der kan fungere godt som maskinlæringsalgoritmer, eller hvordan man laver den oversættelse. En måde at sortere gennem alle muligheder er at fokusere på ideer, der fremmer to forskningsindsatser på én gang, både forbedring af maskinlæring og identificering af nye områder inden for neurovidenskab. Lektioner kan gå begge veje, fra hjernevidenskab til kunstig intelligens – og tilbage, med AI-forskning, der fremhæver nye spørgsmål for biologiske neuroforskere.

For eksempel, i mit eget laboratorium, vi har udviklet en måde at tænke på, hvordan individuelle neuroner bidrager til deres overordnede netværk. Hver neuron udveksler kun information med de andre specifikke neuroner, den er forbundet med. Den har ingen overordnet idé om, hvad resten af ​​neuronerne har gang i, eller hvilke signaler de sender eller modtager. Dette gælder for alle neuroner, uanset hvor bredt netværket er, så lokale interaktioner kollektivt påvirker helhedens aktivitet.

Det viser sig, at matematikken, der beskriver disse interaktionslag, er lige så anvendelig til kunstige neurale netværk og biologiske neurale netværk i rigtige hjerner. Som resultat, vi udvikler en fundamentalt ny form for maskinlæring, der kan lære på farten uden forudgående træning, der ser ud til at være yderst tilpasningsdygtig og effektiv til at lære.

Ud over, vi har brugt disse ideer og matematik til at udforske, hvorfor former for biologiske neuroner er så snoede og indviklede. Vi har fundet ud af, at de kan udvikle disse former for at maksimere deres effektivitet ved at videregive beskeder, efter de samme beregningsregler, som vi bruger til at bygge vores kunstige læringssystem. Dette var ikke en tilfældig opdagelse, vi gjorde om neurobiologien:Vi ledte efter dette forhold, fordi matematikken fortalte os det.

At tage en lignende tilgang kan også informere forskning i, hvad der sker, når hjernen bliver ofre for neurologiske lidelser og neuroudviklingsforstyrrelser. Fokus på de principper og matematik, som AI og neurovidenskab deler, kan hjælpe med at fremme forskning inden for begge områder, opnå nye niveauer af evner til computere og forståelse af naturlige hjerner.

Denne artikel er genudgivet fra The Conversation under en Creative Commons-licens. Læs den originale artikel.